HyperAIHyperAI
Back to Headlines

Un agent IA pour la recherche sur les Objectifs de Développement Durable : comment combler le fossé du contexte ?

il y a 9 heures

Ce projet présente une démonstration de concept pour un agent d’intelligence artificielle fondé sur le raisonnement ReAct, spécifiquement conçu pour mener des recherches approfondies sur les Objectifs de Développement Durable (ODD) des Nations Unies. L’agent, nommé DeepRishSearch, utilise une architecture d’augmentation par récupération (RAG) pour combiner des données quantitatives et qualitatives provenant de sources fiables comme Our World in Data (OWID), Semantic Scholar, Tavily et des rapports du Banque mondiale. Le processus suit une métaphore de conférence modérée : un « modérateur » reformule la question initiale en identifiant les objectifs ODD et le pays cible via un modèle DistilBERT, puis un « panel d’experts » — composé d’outils spécialisés en recherche académique, journalisme et analyse statistique — collecte des informations pertinentes. Ces données sont ensuite synthétisées par un petit modèle LLM (GPT-4o-mini) pour générer un rapport complet, incluant des tendances, des projections à 5 ans et une évaluation globale de la progression du pays sur les ODD. La validation comparative avec Gemini 2.5 Pro montre que l’approche RAG, enrichie par des données externes, produit des réponses plus précises et nuancées, notamment en matière de notation (4/10 pour l’Indonésie sur l’ODD 2 « Faim zéro » contre 6/10 pour Gemini), en raison d’un contexte plus riche et ciblé. L’agent excelle particulièrement dans la détection de biais, la corrélation des indicateurs et la synthèse de données hétérogènes. Une application Streamlit publique permet d’interagir avec l’agent, tandis que le code source est disponible en open source, favorisant la transparence et la réutilisation. Le projet souligne une problématique centrale : l’écart de contexte entre l’humain, doté d’une expérience de toute une vie et d’un raisonnement abductif (capacité à formuler des hypothèses avec peu d’informations), et l’IA, dont le contexte est limité à ses données d’entrée et à ses outils. Pour combler cet écart, l’agent intègre une boucle de rétroaction continue : les réponses validées par des experts sont renvoyées dans une base vectorielle, améliorant progressivement la précision — passant de 70–80 % à plus de 90 %. Cette architecture peut être étendue à des systèmes multi-agents, adaptés à des usages variés comme le recrutement, la préparation commerciale ou l’analyse stratégique. Enfin, l’agent n’est pas conçu pour remplacer les experts, mais pour les amplifier. Il transforme rapidement des volumes massifs d’informations publiques en rapports structurés, permettant aux analystes de se concentrer sur l’interprétation, la stratégie et la prise de décision. Ce modèle illustre ainsi une évolution vers des systèmes d’IA « augmentative », où la technologie sert de levier pour accélérer la recherche, la transparence et l’action en faveur du développement durable.

Related Links